論文の概要: NAMESAKES: Probing Identity Memorization in Text-to-Image Models

• arxiv url: http://arxiv.org/abs/2606.20155v1
• Date: Thu, 18 Jun 2026 12:20:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.846221
• Title: NAMESAKES: Probing Identity Memorization in Text-to-Image Models
• Title（参考訳）: NAMESAKES:テキスト・画像モデルにおけるアイデンティティ・メモリ化の探索
• Authors: Morris Alper, Vasudha Varadarajan, Moran Yanuka, Angelina Wang, Hadar Averbuch-Elor,
• Abstract要約: テキスト・トゥ・イメージ(T2I)モデルは、名前で刺激されたときに、一部の個人の現実的な類似性を生成する。 生成された顔が記憶されているか、現在製造されているかを区別するには、地味な写真、トレーニングデータへのアクセス、モデル内部へのホワイトボックスアクセスが必要である。 我々は、参照写真やトレーニングデータの事前知識を必要とせず、これらのレジームを区別する、完全にブラックボックスな行動プローブを導入する。
• 参考スコア（独自算出の注目度）: 29.48827807897233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-image (T2I) models generate realistic likenesses of some individuals when prompted with their names, raising privacy concerns. However, distinguishing whether a generated face is memorized or fabricated currently requires ground-truth photos, access to training data, or white-box access to model internals, limiting applicability. We introduce a fully black-box behavioral probe that distinguishes between these regimes while requiring no reference photos or prior knowledge of training data. To benchmark this task, we present the NAMESAKES dataset of over one thousand names and faces of public figures spanning a wide range of fame levels, along with perturbed, less famous names. Experiments on state-of-the-art T2I models show that our probe substantially predicts identity memorization and separates memorized from unrecognized names, with further insights into differences across model families.
• Abstract（参考訳）: テキスト・トゥ・イメージ(T2I)モデルは、名前で刺激されたときに、一部の個人の現実的な類似性を生成し、プライバシー上の懸念を提起する。 しかし、現在生成された顔が記憶されているか製造されているかを区別するには、地味な写真、トレーニングデータへのアクセス、モデル内部へのホワイトボックスアクセスが必要であり、適用性を制限する。 我々は、参照写真やトレーニングデータの事前知識を必要とせず、これらのレジームを区別する、完全にブラックボックスな行動プローブを導入する。 このタスクをベンチマークするために、NAMESAKESデータセットを示し、1000以上の名前と、有名人の顔と、乱れたあまり有名でない名前とともに、幅広い名声レベルにまたがる。 現状のT2Iモデルに対する実験により、我々のプローブは同定されていない名前から記憶されたアイデンティティの記憶を実質的に予測し、モデルファミリ間の差異についてさらなる知見を得ることができた。

関連論文リスト

• Identifying Models Behind Text-to-Image Leaderboards [24.40199910521865]
  テキスト・ツー・イメージ(T2I)モデルはますます人気を博し、多くのAI生成イメージをオンラインで生成している。 本研究では,このような匿名性は容易に破れることを示す。 各T2Iモデルから世代が画像埋め込み空間に固有のクラスタを形成し、迅速な制御やトレーニングデータなしに正確な匿名化を可能にする。
  論文  参考訳（メタデータ） (2026-01-14T17:30:58Z)
• Reverse Personalization [48.09783075634403]
  顔の匿名化のための逆パーソナライズフレームワークを導入する。 顔の属性を制御できない従来の匿名化手法とは異なり、我々のフレームワークは属性制御可能な匿名化をサポートしている。
  論文  参考訳（メタデータ） (2025-12-28T16:06:55Z)
• A Dual-stage Prompt-driven Privacy-preserving Paradigm for Person Re-Identification [42.56589115173974]
  本稿では,DPPP(Dual-stage Prompt-driven Privacy-serving Paradigm)を提案する。 第1段階では,多次元特性を取り入れたリッチなプロンプトを生成し,拡散モデルを用いて多様なデータをエンドツーエンドに合成する。 第2段階では,ドメイン不変な一般化特徴を学習するためのPDM(Prompt-driven Disentanglement Mechanism)を提案する。
  論文  参考訳（メタデータ） (2025-11-07T09:17:48Z)
• Anonymization Prompt Learning for Facial Privacy-Preserving Text-to-Image Generation [56.46932751058042]
  我々は、テキストから画像への拡散モデルのための学習可能なプロンプトプレフィックスをトレーニングし、匿名化された顔のアイデンティティを生成するよう強制する。 実験では,非同一性固有の画像生成の品質を損なうことなく,特定の個人を匿名化するAPLの匿名化性能を実証した。
  論文  参考訳（メタデータ） (2024-05-27T07:38:26Z)
• Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
  本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。 具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。 本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
  論文  参考訳（メタデータ） (2023-09-11T09:26:07Z)
• Attribute-preserving Face Dataset Anonymization via Latent Code Optimization [64.4569739006591]
  本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。 我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
  論文  参考訳（メタデータ） (2023-03-20T17:34:05Z)
• Weakly Supervised Face Naming with Symmetry-Enhanced Contrastive Loss [50.32343933000289]
  SECLAは、Symmetry-Enhanced Contrastive Learningベースのアライメントモデルである。 モデルのバリエーションであるSECLA-Bは、人間がしているように名前と顔を調整することを学ぶ。 我々は、Wildデータセットにおけるラベル付き顔とCelebrity Togetherデータセットの両方について、最先端の結果を得る。
  論文  参考訳（メタデータ） (2022-10-17T11:51:04Z)
• Does CLIP Know My Face? [31.21910897081894]
  マルチモーダルモデル,特にCLIPのような視覚言語モデルのプライバシを評価する新しい手法を提案する。 提案したIDIA攻撃(IDIA)は、同一人物の画像でモデルをクエリすることで、個人がトレーニングデータに含まれるかどうかを明らかにする。 我々の結果は、大規模モデルにおけるより強力なプライバシー保護の必要性を強調し、IDIAは、トレーニングに不正なデータの使用を証明し、プライバシー法を強制するために使用できることを示唆している。
  論文  参考訳（メタデータ） (2022-09-15T14:48:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。